使用 R 的时间序列中的平稳测试误差

【问题标题】：Stationary test error in Time Series using R使用 R 的时间序列中的平稳测试误差
【发布时间】：2015-05-14 07:15:43
【问题描述】：

我有 5 年的半小时数据来测量电力负荷。我用acf 检查了静止的，这表明它是非静止的。但是当我使用adf.test 来检查静止时，它显示了相反的结果：

adf.test(tsr1$LOAD.MW.,alternative="stationary")

# Augmented Dickey-Fuller Test

# data:  tsr1$LOAD.MW.
# Dickey-Fuller = -9.7371, Lag order = 11, p-value = 0.01
# alternative hypothesis: stationary

警告信息：在 adf.test(tsr1$LOAD.MW., alternative = "stationary") ： p 值小于打印的 p 值

我应该考虑什么？虽然我觉得它是非静止的。如果是，如何使用 R 使其静止？我也尝试使用命令 decompose(tsr)。它显示了一个错误：

错误：时间序列的周期数不少于或少于 2 个

有什么问题？

【问题讨论】：

标签： r time-series

【解决方案1】：

第一步应该是直观地检查您的时间序列，看看它是否平稳，然后使用 ADF 测试“正式”测试平稳性。这或多或少是标准程序，至少在金融文献中是这样。（您当然可以使用其他测试，例如 KPSS 或 PP）

绘制 ACF 或 PACF 函数时，您主要检查序列的 AR 和 MA 表示。

根据 ADF 测试，您的系列似乎是静止的，因此您不必“使其静止”。但是请记住，在处理小样本数据、季节性或结构性中断时，这些测试可能会给您“错误”的答案。

如果您不想单独依赖 ADF 检验，也可以考虑具有相反零假设的 KPSS 检验。

【讨论】：

我尝试了 KPSS，它显示的结果与 ADF- 测试相反。相信哪个测试？
如果您的意思是相反的结果，因为您可能不会拒绝 KPSS 测试中的零假设，那么您可以非常确定该系列是平稳的。如果您拒绝 ADF 检验中的空值（即低 p 值），则该序列是平稳的。如果您不能拒绝 KPSS 检验中的空值（即高 p 值），则该序列是平稳的。